กำไร:
- ความสามารถในการเข้าใจรูปแบบ VCF, สัญลักษณ์ HGVS (c./p./g.) และเกณฑ์การเกิดโรคของ ACMG และให้ปัญญาประดิษฐ์สร้างร่างหลักฐาน
- ความสามารถในการตรวจสอบหลักฐาน ACMG แต่ละรายการเป็นการส่วนตัว (ความถี่ของประชากร ในซิลิโก การแยกส่วน เอกสาร) ในแหล่งที่มา เช่น ClinVar และ gnomAD
- ความสามารถในการใช้หลักการในการจับรุ่นจีโนมและประสานงานข้อผิดพลาดของระบบ และไม่ปล่อยให้การจำแนกประเภทการเกิดโรคขั้นสุดท้ายเป็นของปัญญาประดิษฐ์
จีโนมของแต่ละบุคคลแตกต่างจากการอ้างอิงที่จุดหลายล้านจุด ความแตกต่างเหล่านี้ส่วนใหญ่ไม่เป็นอันตราย (“ไม่เป็นพิษเป็นภัย”) ซึ่งเป็นสาเหตุให้เกิดโรคบางประการ (“ทำให้เกิดโรค”) การตีความตัวแปรเป็นงานในการตัดสินใจว่าความแตกต่างประเภทใดจัดอยู่ในประเภทใดและเป็นหัวใจสำคัญของพันธุศาสตร์ทางคลินิก ในหน่วยนี้ คุณจะได้เรียนรู้วิธีใช้ปัญญาประดิษฐ์ (AI) ในการรวบรวมหลักฐาน การสรุป และการร่างผู้ช่วยในการตีความรูปแบบต่างๆ แต่คุณจะได้เรียนรู้ว่าเหตุใดการตัดสินใจในการทำให้เกิดโรคขั้นสุดท้ายจึงควรต้องได้รับการอนุมัติจากผู้เชี่ยวชาญเสมอ
คำเตือนที่สำคัญก่อน: ถาม AI ว่า "ตัวแปรนี้ทำให้เกิดโรคหรือไม่" อย่าเชื่อคำตอบเพียงคำเดียวที่คุณถาม AI สามารถพูดคลาสได้อย่างมั่นใจโดยไม่มีหลักฐาน สามารถพอดีกับความถี่ของประชากรของตัวแปร บันทึกทางคลินิกก่อนหน้า หรือการศึกษาเชิงฟังก์ชัน แนวทางที่ถูกต้องคือการใช้ AI เพื่อสร้างกรอบหลักฐานและตรวจสอบหลักฐานแต่ละชิ้นที่แหล่งที่มาหลักเป็นการส่วนตัว
แนวคิดพื้นฐาน
- VCF (รูปแบบการเรียกตัวแปร): รูปแบบไฟล์มาตรฐานที่แสดงรายการตัวแปรในตัวอย่าง แต่ละบรรทัดประกอบด้วยโครโมโซม ตำแหน่ง ฐานอ้างอิง ฐานทางเลือก และข้อมูลคุณภาพ
- สัญกรณ์ HGVS: รูปแบบการเขียนมาตรฐานพร้อมรูปแบบต่างๆ ค. ตำแหน่งในลำดับการเข้ารหัส p การเปลี่ยนแปลงโปรตีนกรัม ระบุตำแหน่งจีโนม ตัวอย่างเช่น NM_000546.6:c.743G>A และ p.Arg248Gln
- gnomAD: ฐานข้อมูลที่รวบรวมความถี่ที่หลากหลายของผู้คนหลายแสนคน มันแสดงให้เห็นว่าตัวแปรนั้นพบได้ทั่วไปในสังคมเพียงใด ตัวแปรทั่วไปโดยทั่วไปไม่ทำให้เกิดโรค
- ClinVar: ฐานข้อมูลสาธารณะที่รวบรวมการตีความทางคลินิกของตัวแปรต่างๆ
- เกณฑ์ของ ACMG/AMP: ระบบหลักฐานของ American College of Medical Genetics ที่แบ่งตัวแปรออกเป็นห้าประเภท: ทำให้เกิดโรค, ทำให้เกิดโรคที่เป็นไปได้, แปรผันที่มีนัยสำคัญที่ไม่แน่นอน (VUS), อาจไม่เป็นพิษเป็นภัย, เป็นพิษเป็นภัย
รหัสหลักฐาน ACMG: แผนที่โดยย่อ
ระบบ ACMG กำหนดรหัสหลักฐานในทิศทางที่ทำให้เกิดโรค (PVS, PS, PM, PP) และในทิศทางที่ไม่เป็นอันตราย (BA, BS, BP) สิ่งเหล่านี้มารวมกันเพื่อกำหนดชั้นเรียน AI อธิบายความหมายของรหัสเหล่านี้ได้ดี แต่คุณต้องตรวจสอบข้อมูลที่มีการใช้งานโค้ดจริง
รหัส
ความหมาย (สรุป)
จะตรวจสอบแหล่งที่มาได้ที่ไหน
พีวีเอส1
หลักฐานที่ชัดเจนมากที่นำไปสู่การสูญเสียการทำงาน (เช่น การหยุดทำงานก่อนกำหนด)
บทถอดเสียง โดเมน ความสัมพันธ์ของยีน-โรค
พีเอส 1/พีเอส 3
การศึกษากรดอะมิโน/การทำงานแบบเดียวกับที่ทราบกันว่าทำให้เกิดโรค
ClinVar บทความเกี่ยวกับการทำงานที่ผ่านการตรวจสอบโดยผู้ทรงคุณวุฒิ
PM2
หายากมาก/ไม่มีในประชากร
ความถี่ gnomAD
PP3/BP4
การทำนายด้วยคอมพิวเตอร์ในทิศทางที่ทำให้เกิดโรค/ไม่เป็นพิษเป็นภัย
เครื่องมือประมาณการ (ฉันทามติ)
บีเอ1/บีเอส1
ความถี่สูงเกินไปที่จะทำให้เกิดโรค
ความถี่ gnomAD
BP6/PP5
(ไม่แนะนำอีกต่อไป) อาศัยการตีความของผู้อื่น
—
เคล็ดลับ: การตัดสินใจของ PM2 (หายาก) และ BA1/BS1 (ทั่วไป) ขึ้นอยู่กับความถี่ของ gnomAD โดยตรงและเป็นหลักฐานที่ตรวจสอบได้ง่ายที่สุด ดูตัวแปรก่อนบน gnomAD ตัวแปรที่แพร่หลายในประชากรมากกว่า 1% มักไม่ก่อให้เกิดโรค
ทีละขั้นตอน: การตีความตัวแปรที่ได้รับความช่วยเหลือจาก AI
1. แก้ไขตัวแปรให้เป็นสัญกรณ์มาตรฐาน ชี้แจงเวอร์ชันจีโนม การถอดเสียง และการเป็นตัวแทน HGVS แตกต่างจาก AI ทั้งค. ทั้งพี ทั้งสองกรัม จากนั้นยืนยันด้วยเครื่องมือตรวจสอบความถูกต้อง (เช่น VariantValidator)
2. ให้ AI สร้างกรอบหลักฐาน สำหรับรหัส ACMG แต่ละรหัส “ฉันควรดูข้อมูลใด” ให้ AI ตอบคำถาม แต่ยังไม่ระบุคลาส
3. ตรวจสอบหลักฐานใด ๆ ที่แหล่งที่มาหลัก ความถี่ gnomAD, บันทึก ClinVar, การศึกษาเชิงฟังก์ชัน — เปิดและอ่านทั้งหมดด้วยตัวเอง ตรวจสอบการอ้างสิทธิ์ "ไม่พร้อมใช้งานใน gnomAD" ของ AI โดยการค้นหาใน gnomAD
4. รวมรหัสและแตกคลาส ร่างกฎการรวม ACMG กับ AI แต่ให้ผู้เชี่ยวชาญอนุมัติคลาสสุดท้าย
5. รายงาน VUS อย่างตรงไปตรงมา หากหลักฐานไม่เพียงพอ ชั้นเรียนจะเป็น "ความหมายไม่แน่นอน"; มันเป็นความผิดพลาดที่จะผลักดันให้เป็นโรคหรือไม่เป็นพิษเป็นภัย
มินิเคสสามอัน
กรณีที่ 1 - ความถี่ที่สร้างขึ้น ผู้เชี่ยวชาญถาม AI เกี่ยวกับความถี่ของ gnomAD แบบแปรผัน “0.002%” AI กล่าว เมื่อผู้เชี่ยวชาญค้นหา gnomAD ด้วยตัวเอง เขาพบว่าความถี่ของตัวแปรคือ 1.3% ซึ่งหมายความว่าหลักฐานสำหรับ BS1 (มีความแข็งแกร่งในทิศทางที่ไม่เป็นอันตราย) นั้นถูกต้อง และตัวแปรนั้นมีแนวโน้มว่าจะไม่เป็นอันตราย ความถี่ต่ำที่ประดิษฐ์ขึ้นของ AI ทำให้ตัวแปรดังกล่าวดูเหมือนหายาก
กรณีที่ 2—การศึกษาเชิงฟังก์ชันที่หลอกลวง นักวิจัยต้องการนำ PS3 (การพิสูจน์ฟังก์ชันการทำงาน) ไปใช้กับเวอร์ชันหนึ่ง AI ให้ทางย่อยบทความโน้มน้าวใจ เมื่อผู้วิจัยค้นหาใน PubMed พบว่าไม่มีบทความดังกล่าว การแสดงที่มาที่ผิดจะทำลายห่วงโซ่หลักฐาน
กรณีที่ 3 — ได้รับการยืนยัน ผู้ให้คำปรึกษาทางพันธุกรรมได้ประเมินตัวแปรที่ "อาจก่อให้เกิดโรค" อีกครั้งด้วย AI YZ ชี้ให้เห็นถึงความคิดเห็นที่ขัดแย้งกันที่เพิ่มเข้ามาใหม่ใน ClinVar; ที่ปรึกษาเปิด ClinVar และพบว่าห้องปฏิบัติการสองแห่งตรวจพบตัวแปรบน VUS และอัปเดตรายงาน ที่นี่ AI ช่วยเตือนเราถึงการอัปเดตที่อาจไม่มีใครสังเกตเห็น แต่มนุษย์กลับตัดสินใจอีกครั้ง
เทมเพลตที่สามารถคัดลอกได้สี่แบบ
1) การสร้างกรอบหลักฐาน (โดยไม่ให้ชั้นเรียนบอก):
บทบาทของคุณ: ผู้ช่วยล่ามตัวแปรทางคลินิก ตั้งค่ากรอบงานหลักฐาน ACMG/AMP สำหรับตัวแปรต่อไปนี้: [เวอร์ชันจีโนม, การถอดเสียง, HGVS] สำหรับรหัสหลักฐานที่เป็นไปได้แต่ละรายการ (PVS1, PS1-4, PM1-6, PP1-5, BA1, BS1-4, BP1-7) “ฉันควรดูข้อมูลใดในแหล่งที่มาใดเพื่อใช้สิ่งนี้” เขียน. อย่าพูดว่าชั้นเรียน YET; เพียงระบุข้อมูลที่ต้องการ
2) แผนการยืนยัน gnomAD/ClinVar:
เขียนทีละขั้นตอนว่าฉันควรมองหาอะไรใน gnomAD และ ClinVar สำหรับตัวแปรต่อไปนี้: [variant] อธิบายว่าเกณฑ์ความถี่ของประชากรใดที่สอดคล้องกับรหัส ACMG ใด คุณไม่ได้ประกอบขึ้นเป็นค่าต่างๆ บอกฉันหน่อยว่าจะหามันได้ที่ไหน
3) โครงร่างชั้นเรียน (อนุมัติโดยฉัน):
ฉันให้หลักฐานที่ตรวจสอบแล้วต่อไปนี้: [มี PM2 มี PP3 ไม่มี BS1 ...] ร่างประเภทที่เป็นไปได้และเหตุผลตามกฎการรวม ACMG อย่าลังเลที่จะพูดว่า "VUS" หากหลักฐานไม่เพียงพอ ฉันจะอนุมัติการตัดสินใจครั้งสุดท้าย
4) ร่างรายงาน:
แปลการจำแนกประเภทต่อไปนี้เป็นย่อหน้ารายงานเป็นภาษาธรรมดาที่เหมาะสมสำหรับผู้ป่วยและแพทย์: [ตัวแปร ประเภท หลักฐานสำคัญ] อย่ากล่าวเกินจริงถึงความแน่นอน; หากมีความไม่แน่นอนให้ระบุให้ชัดเจน ส่งต่อไปยังผู้เชี่ยวชาญเพื่อการตัดสินใจทางคลินิก
พรอมต์อ่อน / พรอมต์แรง
จุดอ่อน: “TP53 c.743G>เป็นโรคหรือไม่”
ปัญหา: ไม่มีเวอร์ชันจีโนม/การถอดเสียง ไม่จำเป็นต้องมีหลักฐาน AI สามารถบอกชั้นเรียนและประกอบความถี่ได้
แข็งแกร่ง: "ตั้งค่ากรอบงานการพิสูจน์ ACMG สำหรับ GRCh38, TP53 NM_000546.6:c.743G>A (p.Arg248Gln) บอกฉันว่าต้องค้นหาแหล่งใดสำหรับแต่ละโค้ด การปรับค่าให้เหมาะสม ร่างคลาสหลังจากที่ฉันตรวจสอบแล้ว"
ทำไมจึงมีประสิทธิภาพ: บริบทชัดเจน เส้นทางหลักฐานเปิดกว้าง ขอบเขตการประดิษฐ์แคบลง การตัดสินใจอยู่ในมือของบุคคลนั้น
ข้อผิดพลาดทั่วไป
- อาศัยคำตอบการเกิดโรคเพียงคำเดียว ชนชั้นหนึ่งๆ ที่ไม่มีหลักฐานเป็นลูกโซ่ก็ไร้ค่า
- ความล้มเหลวในการตรวจสอบความถี่และการระบุแหล่งที่มา ความถี่ของ gnomAD และการอ้างอิงบทความสามารถปรับเปลี่ยนได้ เปิดมันเอง
- หลีกเลี่ยง VUS การพูดว่า "ทำให้เกิดโรค/เป็นพิษเป็นภัย" เมื่อหลักฐานไม่เพียงพอถือเป็นข้อผิดพลาดทางคลินิก
- เวอร์ชันจีโนม/การถอดเสียงการสับเปลี่ยน การถอดเสียงไม่ถูกต้องค. มันหมายถึงสถานที่.
- ข้ามการอัปเดต ClinVar การตีความเปลี่ยนแปลงไปตามกาลเวลา ตรวจสอบบันทึกล่าสุด
ข้อควรระวัง: การรวมรหัส ACMG เป็นไปตามกฎ แต่ต้องใช้ดุลยพินิจจากผู้เชี่ยวชาญ หลักฐานเดียวกันอาจมีน้ำหนักต่างกันในบริบทของโรคยีนที่ต่างกัน การรวมกันของ AI เป็นเพียงพิมพ์เขียว ไม่ใช่คำสุดท้าย
ความลึก: อ่านเส้น VCF และเกณฑ์ความถี่ได้อย่างถูกต้อง
แม้แต่บรรทัดเดียวในไฟล์ VCF ก็ยังมีข้อผิดพลาดมากมาย บรรทัดตัวอย่าง: 17 43091983 G 60 ผ่าน AF=0.0003;DP=45 GT:AD 0/1:22,23 คุณสามารถให้ AI อธิบายฟิลด์ต่างๆ ได้ที่นี่ แต่ยืนยันสามประเด็นด้วยตนเอง ประการแรก คู่ตำแหน่งโครโมโซมเป็นของจีโนมเวอร์ชันใด ตัวแปรเดียวกันปรากฏในตำแหน่งอื่นใน GRCh37 และ GRCh38 หากไม่ระบุเวอร์ชัน ตำแหน่งก็ไม่มีความหมาย ประการที่สองคือโดเมน GT (จีโนไทป์): 0/1 เฮเทอโรไซกัส, 1/1 โฮโมไซกัส; ในโรคด้อย แวเรียนต์เฮเทอโรไซกัสเดี่ยวเพียงอย่างเดียวไม่สามารถอธิบายได้ ประการที่สาม DP (ความลึกในการอ่าน) และ AD (ความลึกของอัลลีล): ความลึกต่ำ (เช่น DP=8) ทำให้การเรียกแบบแปรผันเป็นเรื่องที่น่าสงสัย เทคนิคนี้อาจเป็นผลบวกลวง AI อธิบายฟิลด์เหล่านี้อย่างเป็นทางการ แต่ “สายนี้เชื่อถือได้หรือไม่” การตัดสินใจเป็นของคุณ
ตัวอย่างที่เป็นรูปธรรมของเกณฑ์ความถี่: ผู้เชี่ยวชาญต้องการใช้ PM2 (หายาก) กับตัวแปรสำหรับโรคหายากที่มีการถ่ายทอดทางพันธุกรรมแบบถอย ปัญญาประดิษฐ์กล่าวว่า "gnomAD ไม่มี PM2 แน่นอน" เมื่อผู้เชี่ยวชาญเปิด gnomAD เขาพบว่าตัวแปรมีความถี่ 0.8% ในประชากรย่อย ซึ่งสูงพอที่จะแยกแยะ PM2.5 ได้ เมื่อพิจารณาจากความชุกของโรค ข้อผิดพลาดทั่วไปคือการดูความถี่ของประชากรโดยรวมและข้ามประชากรย่อย
ความถี่อัลลีล (ประชากร)
ความคิดเห็นทั่วไปของ ACMG
หมายเหตุ
ไม่มี/หายากมาก
สามารถรองรับ PM2
ดูประชากรย่อยด้วย
สูงกว่าความชุกของโรค
BS1 (อ่อนโยนแข็งแกร่ง)
ความแตกต่างแบบถอย/เด่นเป็นสิ่งสำคัญ
สูงกว่า 5%
BA1 (ใจดีอิสระ)
เกือบจะไม่เป็นอันตรายอย่างแน่นอน
5) เทมเพลตการควบคุมสาย VCF:
อธิบายฟิลด์บรรทัด VCF ต่อไปนี้ทีละฟิลด์ แต่อย่าตัดสินความน่าเชื่อถือ: ตีความเวอร์ชันจีโนม, GT (zygosity), DP และ AD แยกกัน ระบุกรณีที่การโทรนี้อาจเป็นที่น่าสงสัยทางเทคนิค บรรทัด: [วาง].
โดยสรุป
- การตีความตัวแปรจะขึ้นอยู่กับหลักฐาน AI มีประสิทธิภาพในการวางกรอบและสรุปหลักฐาน แต่การตัดสินใจในชั้นเรียนขึ้นอยู่กับผู้เชี่ยวชาญ
- หลักฐานใดๆ (ความถี่ gnomAD, การลงทะเบียน ClinVar, การศึกษาเชิงฟังก์ชัน) จะต้องได้รับการตรวจสอบเป็นการส่วนตัวที่แหล่งที่มาหลัก
- แก้ไขตัวแปรตามเวอร์ชันจีโนม การถอดเสียง และ HGVS ยืนยันด้วยผู้ตรวจสอบ
- หากหลักฐานไม่เพียงพอ คำตอบที่ตรงไปตรงมาคือ "นัยสำคัญที่ไม่แน่นอน (VUS)"
งานสมัคร
เลือกรูปแบบตัวอย่าง (เช่น บันทึกที่เป็นที่รู้จักจาก ClinVar) ให้ AI สร้างกรอบหลักฐานด้วยเทมเพลต 1 และ 2 ข้างต้น จากนั้นเปิดความถี่ gnomAD และ ClinVar แสดงความคิดเห็นตัวเองและเปรียบเทียบกับการอ้างสิทธิ์ของ AI สังเกตว่ามีความแตกต่างระหว่าง AI และแหล่งที่มาในหลักฐานอย่างน้อยหนึ่งชิ้นหรือไม่ และจัดชั้นเรียนที่เป็นไปได้ด้วยตัวคุณเอง
รายการตรวจสอบ
- [ ] ฉันแก้ไขตัวแปรด้วยเวอร์ชันจีโนม การถอดเสียง และ HGVS
- [ ] ฉันตั้งค่ากรอบการพิสูจน์ ฉันไม่ได้ให้ AI พูดคลาสตั้งแต่ต้น
- [ ] ฉันตรวจสอบความถี่ gnomAD เป็นการส่วนตัว
- [ ] ฉันได้ยืนยันการลงทะเบียน ClinVar และความทันสมัยแล้ว
- [ ] ฉันตรวจสอบการอ้างอิงการศึกษาเชิงฟังก์ชันใน PubMed
- [ ] หากหลักฐานไม่เพียงพอ ฉันไม่ลังเลที่จะแจ้ง VUS และอนุมัติการตัดสินใจด้วยตนเอง